基于混合教与学算法的结构可靠性优化设计.docxVIP

基于混合教与学算法的结构可靠性优化设计 摘要：针对教与学算法容易陷入局部最优解、禁忌搜索算法对初始解依赖性强的现象，通过非线性递减改进教学因子，提出一种混合的教与学算法。将该混合算法运用到结构可靠性优化设计中，建立以系统可靠性指标为约束条件的结构重量最小化的优化模型，优化6杆超静定结构，验证所提算法的有效性。结果表明，与基本教与学算法和PSO-DE混合算法相比，提出的混合教与学算法优化结果更优。在两种模拟工况下目标函数较TLBO算法分别减少6.64%和5.53%,较PSO-DE算法分别减少1.20%和0.82%,可以适用于复杂结构的优化设计。 0 引 言结构可靠性优化设计是结构优化设计领域中的一个重要方向。结构可靠性优化设计是以可靠性指标作为约束条件，对结构进行优化设计。目前，计算结构可靠性指标的方法有验算点法、宽界限法、窄界限法、蒙特卡罗法、概率网络估算值技术等教与学算法(Teaching-learning-based optimization, TLBO)是印度学者Rao等针对结构系统可靠性优化问题，笔者将TLBO-TS混合算法与结构可靠性分析方法相结合，提出了基于结构可靠性TLBO-TS混合算法的优化设计模型。该模型的特点是以结构质量最小化为单目标函数，以可靠性指标和截面面积为约束条件，通过六杆桁架结构算例，验证该混合算法在可靠性优化设计方法的可行性与适用性。1 混合教与学算法1.1 基本的教与学算法教与学算法模拟了以班级为单位老师向学生教授知识和学生之间相互学习的两个过程。在算法中，每个班级就是一个种群，每个班级的学生人数就是种群的规模，学生学习的科目就是种群的维度，学生就是种群的个体，教师就是当中最优的个体。TLBO算法分为两个阶段，教师对学生的教阶段和学生之间的相互学习阶段。初始化种群是通过式(1)初始化每个个体，计算个体的适应度值。=式中：rand(——变量的上限；——变量的下限。教阶段是通过式(2)得到新个体然后计算其目标函数值，与旧的个体进行比较，如果优于旧的个体则新个体取代旧的个体。=式中：——教学因子，round——取整符号；——群体的平均值。学生阶段是学生们为进一步提高自己的知识，学生之间会相互学习。这一阶段的过程表示为 式中，1.2 改进的教与学算法在教与学算法中，教学因子是群体平均值的参数，它的取值只能是1或者是2。在结构优化问题中，适应度值较小为最优值。通过式(1)表明，取较大值，得到的新个体较小，其适应度值也较小，说明学生学到的知识就多，反之，取较小值，说明学生学到的知识较少。体现到优化算法中，取较小值，表明算法的局部搜索能力强，但是全局搜索能力弱；取较大值，表明算法的全局搜索能力强，但是局部搜索能力弱。学生得到的知识过程是经过一段的学习时间后，学生知识水平就会提高，与老师的知识水平差距就会缩小，但是得到的知识也会越来越少。在基本的教与学算法中，教学因子随机取值，不能真正体现学生得到知识的过程，为了解决此问题，文中借鉴文献, (4)式中：——调节参数，控制、由式(4)可以看出，随着迭代次数的增加，教学因子由最大值向最小值靠近。说明在迭代前期取值较大，即表明在前期算法全局搜索能力强；在迭代后期取值较小，即表明在后期算法局部搜索能力强，在算法搜索后期可以得到较高精度的解，体现学生得到知识的过程。1.3 禁忌搜索算法该算法的基本思想是，首先根据优化问题的初始解，选择一个邻域结构，然后在初始解的邻域结构中随机选择出候选解。将最佳候选解与初始解的适应度进行比较，若最佳候选解的适应度比初始解的适应度更优，则最佳候选解将取代初始解。在此基础上，引入了禁忌表，该禁忌表记录了最近搜索过程中出现的解，禁止这些解在最近搜索过程中再次出现，避免陷入局部最优解。同时，增加一个特赦准则，若禁忌表中的适应度值优于当前解，则将该解从禁忌表中释放出来并代替当前解继续进行迭代计算，这样可以增加种群的多样性。禁忌表的长度随优化问题而异，笔者将禁忌表的长度设置为5。禁忌搜索算法的基本流程分为6步。1 根据问题设置初始解，置空禁忌表，设置禁忌表长度等。2 将初始解作为当前解，判断是否满足收敛准则。若满足收敛准则，输出最优结果，终止计算，若不满足继续步骤3。3 构造邻域函数，利用当前解产生候选解集，随机选取候选解。4 选取适应度最优的候选解。5 判断候选解是否满足藐视准则，若满足，将候选解作为当前解，并将原来的当前解替换最早进入禁忌表中的变量，若不满足，则放入到禁忌表中。6 继续步骤2。1.4 TLBO-TS混合算法TLBO